Quiz: Introduction aux méthodes d'apprentissage supervisé — 8 domande

1. Comment appliquer une régression linéaire avec Scikit-learn pour modéliser une relation entre variables ?

A. En utilisant directement la fonction linear_regression() sans instancier de classe, puis en appelant fit() et predict().

B. En instanciant la classe LinearRegression, en l’entraînant avec la méthode fit() sur les données, puis en utilisant predict() pour faire des prédictions.

C. En utilisant la classe Regression() en spécifiant le type 'linéaire', puis en appelant la méthode run() pour entraîner et prévoir.

D. En créant une instance de RegressionLinear, puis en utilisant la méthode train() pour ajuster le modèle et predict() pour prédire.

Answer: (B)

Spiegazione

La méthode correcte pour appliquer une régression linéaire avec Scikit-learn consiste à instancier la classe LinearRegression, à entraîner le modèle avec la méthode fit() sur les données d’entraînement, puis à faire des prédictions avec predict(). Les autres options proposent des méthodes ou classes qui n’existent pas ou ne correspondent pas à la pratique standard de Scikit-learn.

2. Quel est le rôle principal d'un algorithme de régression?

A. Segmenter des images en régions

B. Classer des données en catégories distinctes

C. Prédire des valeurs numériques continues

D. Détecter des anomalies dans un jeu de données

Answer: (C)

Spiegazione

Un algorithme de régression a pour objectif principal de prédire des valeurs numériques continues à partir de données d'entrée, ce qui correspond à la réponse 2. Les autres options concernent des tâches différentes : classification, segmentation ou détection d'anomalies, qui ne relèvent pas de la régression.

3. Qui a formulé la méthode de séparation linéaire à marges maximales utilisée dans les SVM ?

A. Geoffrey Hinton

B. Vladimir Vapnik

C. Rosenblatt

D. Yann LeCun

Answer: (B)

Spiegazione

Vladimir Vapnik est crédité pour avoir formulé la méthode des Support Vector Machines (SVM), qui utilisent la séparation linéaire à marges maximales. Cette approche est une contribution fondamentale dans le domaine de la classification, introduite par Vapnik en 1995.

4. En quelle année Vladimir Vapnik a-t-il introduit la méthode Support Vector Machines (SVM) ?

A. 1990

B. 1987

C. 1995

D. 2000

Answer: (C)

Spiegazione

Vladimir Vapnik a introduit les Support Vector Machines en 1995, une date clé dans l'histoire de l'apprentissage automatique. Les autres dates ne correspondent pas à cette contribution spécifique.

5. Quand le modèle perceptron a-t-il été publié pour la première fois, établissant ainsi une étape clé dans l'histoire de la séparation linéaire ?

A. 1972

B. 1965

C. 1958

D. 1984

Answer: (C)

Spiegazione

Le perceptron, un modèle fondamental de séparation linéaire, a été publié pour la première fois par Rosenblatt en 1958, marquant une étape clé dans l'histoire de cette technique.

6. Qu'est-ce que l'apprentissage supervisé dans le contexte de l'apprentissage automatique?

A. Une technique où le modèle est entraîné sans supervision, en découvrant des motifs dans des données non structurées.

B. Une méthode d'apprentissage où le modèle apprend par renforcement en recevant des récompenses ou des punitions.

C. Une technique où le modèle est entraîné à partir de données étiquetées, avec des entrées associées à des sorties connues.

D. Une méthode d'apprentissage qui utilise des données non étiquetées pour découvrir des structures cachées.

Answer: (C)

Spiegazione

L'apprentissage supervisé est une méthode où le modèle est entraîné à partir de données étiquetées, c'est-à-dire avec des exemples d'entrées associées à des sorties connues, afin de pouvoir faire des prédictions sur de nouvelles données.

7. En quoi le principe du bagging diffère-t-il de celui du boosting dans les modèles ensemblistes?

A. Le bagging entraîne plusieurs modèles indépendants sur des sous-échantillons, puis agrège leurs résultats, tandis que le boosting construit des modèles séquentiellement en mettant l'accent sur les erreurs précédentes.

B. Le bagging utilise un seul modèle pour faire des prédictions, alors que le boosting combine plusieurs modèles.

C. Le bagging est une méthode de régularisation pour éviter le surapprentissage, contrairement au boosting.

D. Le bagging et le boosting utilisent tous deux la même approche de construction séquentielle des modèles.

Answer: (A)

Spiegazione

Le bagging entraîne plusieurs modèles indépendants sur des sous-échantillons aléatoires puis agrège leurs résultats, ce qui réduit la variance. Le boosting construit des modèles séquentiellement, chaque modèle corrigeant les erreurs du précédent, ce qui permet d'améliorer la performance en réduisant le biais. Leur principe diffère donc dans leur mode de construction et de combinaison.

8. Quelle est la cause principale de l’utilisation de la validation croisée dans l’évaluation des modèles ?

A. Elle permet d’augmenter la taille du jeu d’entraînement.

B. Elle simplifie la mise en œuvre des algorithmes de classification.

C. Elle réduit le temps nécessaire à l’entraînement du modèle.

D. Elle facilite la sélection du modèle en détectant le surapprentissage.

Answer: (D)

Spiegazione

La validation croisée est principalement utilisée pour détecter le surapprentissage et assurer que le modèle choisi généralise bien à de nouvelles données, ce qui en fait un outil clé pour une évaluation fiable.